#01Videoer
AI forklaret i korte videoer
Én idé pr. video, på klart sprog. Hver video linker til kapitlet i vores gratis kursus, der forklarer det trin for trin.
Start her AI 101
- #01
#02Machine learning: how a computer draws its own dividing line
#03Neural networks: layers of tiny calculators passing signals on
#04How AI learns: guess, measure the error, nudge, repeat
#05Tokens: how AI chops your words into numbered pieces
#06Embeddings: why a puppy lands closer to a dog than to a pizza
Nyeste
#031Momentum: how remembering past steps stops AI training zigzagging
#030Mini-batches: why AI learns faster from a random handful of data
#029Saddle points: where AI training looks stuck but has a way down
#028Local minima: why AI training can settle for second best
#027Condition number: why a stretched valley makes AI training crawl
#026Learning rate: the step size with a ceiling you can calculate
#025Gradient descent: how AI finds its way downhill in small steps
#024Gradient: the arrow that points uphill, and why AI walks the other way
#023Chain rule: how AI traces the effect of every layer
#022Derivative: how much the result moves when you nudge one input
#021Grid search: why you cannot train an AI by trying every setting
#020Robust loss: stop one wild reading from wrecking your forecast
#019Heavy tails: when rare, huge errors break the usual average
#018Mean squared error: the hidden bet behind squaring your mistakes
#017The LogSumExp trick: one subtraction that stops AI math overflowing
#016Rounding error: why adding the same numbers can give two answers
#015Floating-point numbers: why your computer cannot hold every number
#014Negative log-likelihood: turning a fragile product into a calm sum
#013Maximum likelihood: the answer that makes your data least surprising
#012Bayes' rule: reasoning backwards from a clue to its most likely cause
#011Chain rule of probability: how AI scores a sentence word by word
#010Loss landscape: training an AI means finding the bottom of a valley
#009Loss function: the scoring rule that decides which answer wins
#008Feature engineering: the human choice that can beat the algorithm
Efter kursuskapitel
- 1Perceptronen fra bunden: Hvad en neuron beregner10 videoer
- 2Hvor en tabsfunktion kommer fra: likelihood, ikke konvention12 videoer
- 3Nedad: gradient descent og de to trin alle springer over12 videoer
- 4Klassifikation, krydsentropi og kunsten ikke at narre dig selv
- 5Backpropagation fra bunden: først motoren, så netværket1 video
- 6At få det til at træne — og til at generalisere
- 7Byg en BPE-tokenizer: Derfor kan din model ikke tælle r'erne1 video
- 8Next-token prediction: Embeddings, og hvad perplexity betyder1 video
- 9Attention og transformer-blokken, udledt fra et gennemsnit
- 10Pretraining af en LLM: data, compute, scaling laws og pris
- 11Fra base model til assistant: SFT, RLHF, DPO og GRPO
- 12Chain of Thought, RLVR og Test-Time Compute målt
- 13Gør inference billig: KV cache, batching og kvantisering
- 14Dit første produktionskald til en LLM: streaming, retries og timeouts
- 15Prompt engineering, målt: Hvad der ændrer outputtet
- 16Context window, tokens og regningen — målt
- 17Temperatur, top-p og den determinisme, du ikke har
- 18Tool Calling og strukturerede outputs: Kontrakten der holder
- 19RAG i produktion: Chunking, retrieval og ærlige kildehenvisninger
- 20Fine-tune, retrieve eller prompt? Beslutningen er økonomisk
- 21Multimodal prissætning: Hvad billeder, lyd og video egentlig fakturerer
- 22Hvad en AI-agent er: fem klassiske typer, to rivaliserende definitioner
- 23Byg et agent harness: loopet og dets fem veje ud
- 24Context Engineering: Derfor bliver din agent dummere ved tur 40
- 25Multi-Agent-orkestrering: Fem mønstre, og hvornår ét vinder
- 26MCP forklaret op mod specifikationen: hvad en server egentlig er
- 27Ship en MCP-server: TypeScript og Python, målt
- 28Agent Skills og SKILL.md: gradvis disclosure, målt
- 29LLM-evaluering: Fra offentlige benchmarks til dit golden set
- 30Prompt injection og den dødelige trifecta: sådan sikrer du en reel agent